La IA: la mayoría de pilotos no generan valor

La inteligencia artificial ya no es solo una novedad para las empresas: hoy la gran pregunta es si realmente genera dinero. Aunque ya se comprobó que la IA sirve para automatizar tareas y analizar datos, la mayoría de los proyectos se queda en pruebas iniciales y muy pocos logran aplicarse a gran escala.

Estudios recientes confirman esta brecha entre experimentación y resultados económicos. De acuerdo con el informe State of AI in Business 2025 del Massachusetts Institute of Technology (MIT), el 95 % de los pilotos de inteligencia artificial generativa no genera un impacto medible en el estado de pérdidas y ganancias (P&L) de las empresas. A ello se suma un estudio global de madurez en IA de la consultora IDC (2026), el cual señala que el 54 % de las pruebas de concepto desarrolladas nunca llegan a implementarse en la operación diaria.

Esta dificultad para avanzar, conocida como el “piloto eterno”, se debe principalmente a errores dentro de las propias organizaciones. Un estudio de RAND Corporation revela que el 84 % de los proyectos de inteligencia artificial falla por problemas de gestión interna y no por fallas en la tecnología.

"Durante los últimos años, la prioridad de las organizaciones estuvo en la velocidad de adopción y en demostrar rápidamente el potencial de la tecnología. No obstante, ese proceso generó un efecto colateral: empresas acumulando pilotos sin criterios claros para decidir cuáles debían escalar", explica Filipe Cotait, CEO de Stefanini Data & Analytics. "Una demostración exitosa comprueba que una aplicación es técnicamente posible, pero no garantiza que sea económicamente viable, segura o sostenible en el tiempo".

Del laboratorio a la rentabilidad real

El análisis advierte que los proyectos suelen ponerse en marcha sin un responsable claramente definido dentro del área de negocio y sin métricas financieras previas. Factores críticos como la gobernanza, la seguridad de datos, la privacidad y el costo por transacción —cuyo peso aumenta exponencialmente cuando la aplicación gestiona miles de interacciones diarias— suelen contemplarse únicamente al final del proceso, convirtiendo iniciativas aparentemente económicas en operaciones insostenibles.

Para superar esta etapa de estancamiento, Cotait sostiene que los criterios de evaluación de la IA deben reformularse: el impacto financiero directo (P&L), la gobernanza y la estimación de costos unitarios deben integrarse desde la etapa de diseño de la solución tecnológica y no como un cálculo posterior.

"Escalar la inteligencia artificial exige abandonar la lógica tradicional de un proyecto cerrado con principio y fin. Al operar en el entorno real, la calidad de las respuestas, los patrones de datos y los costos varían constantemente, lo que convierte el monitoreo y la mejora continua en procesos permanentes. La madurez corporativa en IA no estará en la cantidad de pilotos lanzados, sino en la disciplina para seleccionar qué casos generan valor recurrente y detener a tiempo aquellos que no demuestren retorno", concluye Cotait.